รวม 4 เรื่อง Fails ที่ทำให้โครงการ Data Analytics ไม่สำเร็จ

การทำ Data Analytics ช่วยขยายโอกาสทางธุรกิจได้อย่างมหาศาล เช่น พัฒนา Customer Experience, ต่อยอดการขายทั้ง Cross-Selling, Upselling รวมถึงเสริม Brand Loyalty ในระยะยาว แต่อย่างไรก็ตาม Data Analytics ถือเป็นความท้าทายขององค์กร ที่ต้องมีการสนับสนุนจากผู้บริหารและความร่วมมือจากทีมงานในองค์กรเพื่อทำให้ Data ที่จัดเก็บนำมาวิเคราะห์ใช้งานได้อย่างมีประสิทธิภาพ ซึ่งบริษัทส่วนใหญ่ในไทยเริ่มมีการผลักดันโครงการ Data Analytics แต่กลับไม่ประสบความสำเร็จ ทำให้เสียเวลา เสียงบประมาน อีกทั้งมีการทำงานซ้ำซ้อน Coraline จึงขอรวมรวม 4 เรื่องสำคัญที่ต้องรู้ก่อนเริ่มโครงการ Data Analytics เพื่อพัฒนาให้ตอบโจทย์ธุรกิจและใช้งานได้จริง ดังนี้ 1. Business Goals องค์กรส่วนใหญ่ไม่มีวางเป้าหมายที่ชัดเจนในการพัฒนาโครงการ หลายโครงการเกิดขึ้นเพราะความต้องการในการใช้เครื่องมือ แต่มิได้พิจารณาถึงเป้าหมายหลักของการมีเครื่องมือนั้นๆ ทำให้โครงการ Data Analytics เป็นโครงการที่ไม่มีวัตถุประสงค์ที่ชัดเจน นอกจากนี้ บางโครงการ มีเป้าหมายแล้ว แต่ไม่สามารถระบุรายละเอียดความต้องการที่แท้จริงได้ ทำให้ในระหว่างพัฒนาโครงการเกิดอุปสรรค เนื่องจากไม่ทราบทิศทางที่แท้จริง
การวางเป้าหมาย ต้องเริ่มจากการเข้าใจปัญหาที่แท้จริงเสียก่อน ทำไมเราต้องทำโครงการนี้ ทำแล้วจะช่วยแก้ปัญหา หรือช่วยเพิ่มศักยภาพให้องค์กรได้อย่างไร จากนั้นจะเป็นการวางขอบเขตของโครงการ ต้องการสิ่งส่งมอบเป็นอะไร และจะมีวิธีการวัดผลโครงการได้อย่างไร ทั้งหมดนี้ต้องใช้ความเข้าใจ ทั้งในมุมการบริหารโครงการ และในมุมเทคนิคเพื่อออกแบบโครงการที่เหมาะสม ตัวอย่างโจทย์ เช่น ต้องการวิเคราะห์การบริหารคลังสินค้า เพราะมีปัญหาสินค้าค้างเหลือจำนวนมาก โดยต้องการผลลัพธ์ที่สามารถบอกถึงจำนวนสินค้าที่ควรสั่งผลิตต่อรอบการผลิตในแต่ละช่วงเวลา เป็นต้น 2. Skills Set ขาดคนที่มีทักษะเฉพาะด้านในการวิเคราะห์ข้อมูล
หลายองค์กรติดปัญหาเรื่องการหาคนในตำแหน่งงานที่มีทักษะเฉพาะด้านเช่น Data Scientist, Data Engineer, Data Analyst เนื่องจากสายงานนี้เป็นที่ต้องการของตลาดจึงทำให้มีปัญหาการแย่งคนเป็นเรื่องปกติ รวมถึงทีมงานในองค์กรที่มีอยู่อาจจะยังมีทักษะไม่เพียงพอจึงต้องให้เวลาในการเรียนรู้งานค่อนข้างมาก
ทางแก้ปัญหา มี 2 ทาง คือ การว่าจ้างทีมงานภายใน และการว่าจ้างบริษัทภายนอก ซึ่งก่อนอื่น องค์กรจะต้องวิเคราะห์ความจำเป็นในการว่าจ้างเสียก่อน โดยคำนึงถึงปริมาณงานที่เกิดขึ้น แบ่งเป็น 2 ส่วน ได้แก่ ส่วนการออกแบบและพัฒนาโครงการ ที่จำเป็นต้องใช้ทักษะขั้นสูงของนักพัฒนา และส่วนของการบำรุงรักษาระบบ ที่สามารถรับช่วงต่อมาจากทีมนักพัฒนาต่อได้ หากองค์กรมีความจำเป็นต้องพัฒนาโครงการวิเคราะห์เชิงลึกบ่อยครั้ง การมีพนักงานประจำอาจเป็นทางเลือกที่ดี แต่ก็ต้องพยายามเฟ่นหาทีมงานในตลาดที่กำลังแย่งชิงกันอย่างดุเดือด แต่ถ้าโครงการนั้นเป็นโครงการที่เร่งรีบ ไม่สามารถรอได้ และไม่บ่อยครั้งที่องค์กรจะต้องพัฒนาโครงการวิเคราะห์ข้อมูลขั้นสูง การว่าจ้างบริษัทผู้พัฒนาโครงการอาจเป็นคำตอบที่เหมาะสมมากกว่า เพื่อลดความเสี่ยงในการดำเนินโครงการที่ผิดพลาด
3. Data Management ขาดความเข้าใจในกระบวนการจัดการข้อมูลที่ดี หลายโครงการกำลังเผชิญหน้ากับปัญหาที่มีข้อมูลมหาศาลแต่ไม่สามารถเอามาทำอะไรต่อได้ ด้วยเหตุผลที่ว่า ข้อมูลผิดตั้งแต่ต้นทาง, ข้อมูลซ้ำซ้อนในหลายช่องทาง, ขาดการเชื่อมโยงข้อมูล จึงส่งผลต่อคุณภาพของ Data และผลลัพธ์ที่เป็น Insight ปลายทาง นี่ถือเป็นประเด็นสำคัญ ถ้าไม่อยากให้โครงการ Data Analytics ล้มเหลว สิ่งที่ต้องคำนึงในการเริ่มต้นทำโครงการ Data Analytics คือ Garbage-In Garbage-Out ถ้า Data ที่ใส่เข้ามาผิดหรือไม่ได้มีการทำ Data Preparation ที่เหมาะสม ก็จะส่งผลต่อการนำข้อมูลไปวิเคราะห์ อาจจะแสดง insight ที่ไม่ถูกต้อง และส่งผลให้เกิดการตัดสินใจที่ผิด อีกหนึ่งปัญหาสำคัญคือเรื่องของข้อมูลในหลากหลายช่องทางที่ไม่เชื่อมต่อกัน ทำให้ข้อมูลซ้ำซ้อน หรือข้อมูลไม่ตรงกัน ปัญหานี้เกิดขึ้นเพราะข้อมูลมาจากหลายช่องทาง ทำให้ภาระตกอยู่ที่ทีม Data ต้องใช้เวลาอย่างหนักในการ Cleansing, Mapping, Analysis เพื่อแสดง Insight
ทางแก้ของปัญหานี้คือมีการดำเนินโครงการ Data Manangement โดยมีทีม Data Engineer ทำหน้าที่ออกแบบ Data Pipeline และเตรียมข้อมูลให้อยู่ในโครงสร้างที่พร้อมใช้ ก่อนที่จะนำข้อมูลไปใช้งานต่อไป 4. มีปัญหาในการเลือก Technology ที่เหมาะสม ปัจจุบันมีเทคโนโลยีที่เกี่ยวข้องกับโครงการ Data จำนวนมาก ทั้งเครื่องมือในการ Intregate data เครื่องมือในการ Analyze data และเครื่องมือในการทำ Data Visualization ทำให้บุคลากรที่ไม่คุ้นเคยกับเทคโนโลยีไม่สามารถตัดสินใจได้ว่าควรจะใช้เครื่องมือไหน ยิ่งไปกว่านั้น ในมุมของนักพัฒนาก็จะเน้นการใช้ Open Source อีกด้วย ทำให้ยากต่อการบำรุงรักษา บางครั้งพบว่าหลายองค์กรเลือกที่จะลงทุนกับเทคโนโลยีที่ซ้ำซ้อน เช่น ใช้ Cloud หลายยี่ห้อ หรือ การมี License BI หลายตัว แต่ไม่ได้ใช้งานสักโปรแกรม ทั้งหมดนี้กำลังกลายเป็นปัญหาเรื้อรังขององค์กร เพราะมันคือค่าใช้จ่ายที่ลงทุนไปอย่างศูนย์เปล่า ดังนั้น การแก้ปัญหา คือ การมี Direction ที่ชัดเจนในการเลือกใช้เทคโนโลยี เพื่อให้ทีมงาน หรือแม้แต่บริษัทภายนอกที่รับจ้างพัฒนาโครงการ มีแนวทางที่ชัดเจนในการเลือกใช้เทคโนโลยีต่อไป จาก 4 สาเหตุที่ทำให้โครงการ Data Analytics ไปไม่ถึงเป้าหมาย องค์กรของคุณมีติดกับดักในข้อไหนกันอยู่บ้าง หากไม่มีติดในข้อใดเลย ถือว่าเป็นสัญญานที่ดีในการเริ่มทำโครงการ Data Analytics สิ่งสำคัญที่ Coraline อยากจะฝากไว้ก็คือ การทำงานกับ Data ในทุกวันนี้ ต้องเข้าถึงได้ง่าย ข้อมูลมีความถูกต้อง รวมถึงมีความปลอดภัยในการเก็บรักษาข้อมูล